본 연구에서는 정수처리 실증화 시설을 대상으로 AI 기반 사전 예측 응집제 제어 방식의 운영 성능을 평가하였다. 제안된 시스템은 기존 자 테스트 기반 사후 대응 운영의 한계를 보완하기 위해 응집제 주입농도를 사전에 예측하고, 이를 실제 공정 제어에 적용하도록 구성하였다. 이를 위해 Ridge, Lasso, Decision Tree, Random Forest(RF), Artificial Neural Network(ANN), Deep Neural Network(DNN), LSTM-RNN으로 구성된 모델 뱅크를 구축하여 최적 응집제 주입농도를 예측하였다. 모델 성능 평가 결과, ANN 및 DNN은 낮은 RMSE와 안정적인 오차 분포를 나타냈으며, RF는 PACS 및 PACl 조건 모두에서 가장 높은 선택 빈도를 보였다. 예측된 응집제 주입농도는 실시간 유입 유량을 반영하여 주입유량으로 변환한 후 SCADA-HMI-PLC 기반 제어 시스템에 적용하였다. 실증 운전 결과, 사전 예측 방식은 기존 사후 대응 방식 대비 PACS 조건에서 39.71%, PACl 조건에서 54.08%의 응집제 사용량을 절감하였다. 또한 침전지 처리수 탁도는 운영 기간 동안 1 NTU 이하로 안정적으로 유지되었다. 이러한 결과는 AI 기반 사전 예측 응집제 제어 방식이 본 연구의 실증 운전 조건 내에서 수질 안정성을 유지하면서 약품 주입 효율을 향상시킬 수 있는 적용 가능성을 시사한다.

This study evaluated the operational performance of AI-based predictive coagulant control in a water treatment demonstration facility. The proposed system was designed to overcome the limitations of conventional reactive operation based on jar tests by predicting coagulant dosage in advance and applying the predicted values to actual process control. A Model Bank consisting of Ridge, Lasso, Decision Tree, Random Forest (RF), Artificial Neural Network (ANN), Deep Neural Network (DNN), and LSTM-RNN models was developed to predict the optimal coagulant dosing concentration. Among the models, ANN and DNN showed low RMSE values and stable error distributions, while RF was most frequently selected under both PACS and PACl dosing conditions. The predicted coagulant dosing concentration was converted into a dosing flow rate using real-time influent flow data and then applied to the SCADA-HMI-PLC-based control system. During demonstration operation, the predictive control reduced coagulant use by 39.71% for PACS and 54.08% for PACl compared with conventional reactive control. In addition, sedimentation basin effluent turbidity was consistently maintained below 1 NTU. These results indicate that AI-based predictive coagulant control can improve operational efficiency while maintaining stable water quality under the tested demonstration conditions.

요약문
ABSTRACT
1. 서 론
2. 연구방법
    2.1 실증화 시설 구성 및 운영조건
    2.2 데이터 및 전처리
    2.3 인공지능 모델
    2.4 제어 로직
    2.5 평가 기준
3. 결과 및 고찰
    3.1 유입수질 특성
    3.2 응집제 주입농도 예측 모델 성능
    3.3 PACS 주입시기 운전 결과 비교
    3.4 PACl 주입시기 운전 결과 비교
    3.5 운영 결과
4. 결 론
사 사
References

• 연승재(한국건설기술연구원 환경연구본부) | SeungJae Yeon (Department of Environment Research, Korea Institute of Civil Engineering and Building Technology)
• 오창석(한국건설기술연구원 환경연구본부) | Changseog Oh (Department of Environment Research, Korea Institute of Civil Engineering and Building Technology)
• 이복진(한국건설기술연구원 환경연구본부) | Bokjin Lee (Department of Environment Research, Korea Institute of Civil Engineering and Building Technology)
• 안주석(한국건설기술연구원 환경연구본부, 연세대학교 건설환경공학과) | Jusuk An (Department of Environment Research, Korea Institute of Civil Engineering and Building Technology, Department of Civil Environmental Engineering, Yonsei University)
• 오현제(한국건설기술연구원 환경연구본부, 과학기술연합대학원대학교) | Hyun Je Oh (Department of Environment Research, Korea Institute of Civil Engineering and Building Technology, University of Science &Technology) Corresponding author